Применение методов системного анализа и машинного обучения для автоматизации чтения чертежей


Авторы

Девятов Д. А.1, Королева М. Р.2*, Лялин М. С.1, Мищенкова О. В.1, Чернова А. А.1**

1. Ижевский государственный технический университет имени М.Т. Калашникова, ул. Студенческая, 7, Ижевск, 426069, Россия
2. Удмуртский федеральный исследовательский центр УрО РАН, 426067, г. Ижевск, ул. им. Татьяны Барамзиной, 34

*e-mail: koroleva@udman.ru
**e-mail: alicaaa@gmail.com

Аннотация

Данная работа посвящена вопросам построения эффективного и универсального подхода к автоматизации распознания инженерных чертежей. Выполнена систематизация и классификация элементов чертежей, что позволило выделить общие характеристики и признаки, необходимые для их структурированного описания. Предложен алгоритм идентификации технологических элементов, реализованный с использованием нейронной сети. Модель адаптирована для поиска и анализа ключевых конструктивных компонентов на чертежах, демонстрируя эффективность в условиях различных типов данных. Полученные результаты закладывают основу для дальнейшего развития систем автоматизации анализа чертежей, обеспечивая интеграцию с современными инженерными процессами.

Ключевые слова:

чертеж, автоматизация, алгоритм, машинное обучение, нейронные сети

Библиографический список

  1. Девятов Д.А., Чернова А.А. Оценка возможности автоматизации формирования технологических процессов в мелкосерийном производстве // Вестник ИжГТУ имени М.Т. Калашникова. 2023. Т. 26. № 3. С. 67-74. DOI: 10.22213/2413-1172-2023-3-67-74
  2. Балашов А.И., Кошевой В.В., Савченко Е.А. Управление жизненным циклом продукции. - М.: Машиностроение, 2003. 
  3. Поляков Е.Ю., Кондусов Д.В., Кондусова В.Б. Унифицированная модель процесса автоматизации согласования документации технологической подготовки производства // Автоматизация в промышленности. 2023. № 6. С. 56–58. DOI: 10.25728/ avtprom.2023.06.13 
  4. Попов В.Н., Батырева А.Б., Ковтун Л.И., Бояров И.П. Автоматизация накопления опыта оптимизации технологических процессов и минимизации рисков распределенного виртуального производства в ходе эксплуатации сервиса технологической подготовки производства // Экономика. Право. Инновации. 2019. № 1. С. 42–48.
  5. Хрусталева И.Н., Любомудров С.А., Романов П.И. Автоматизация технологической подготовки единичного и мелкосерийного производства // Научно-технические ведомости СПБПУ. Eстественные и инженерные науки. 2018. Т. 24, № 1. С. 113–121. DOI: 10.18721/JEST.240111
  6. Кордюков А.В., Савченков М.И., Чернова А.А. Адаптация алгоритма работы системы автоматизированного проектирования технологического процесса для выполнения технологической подготовки в условиях мелкосерийного и единичного производства // Вестник ИжГТУ имени М.Т. Калашникова. 2023. Т. 26. № 3. С. 26-32.
  7. Александров И.А. Принципы автоматизация технологической подготовки производства путем нейросетевого моделирования // Инженерный вестник Дона. 2019. № 5 (56). 12 c.
  8. Чигринец Е.Г., Верченко А.В. CAD/CAM/САЕ системы, OMW-технологии и нейросетевые алгоритмы анализа данных на предприятиях авиастроительной отрасли // Труды МАИ. 2019. № 104. URL: https://trudymai.ru/published.php?ID=102420
  9. Yasutomo Sugisawa, Keigo Takasugi, Naoki Asakawa. Machining sequence learning via inverse reinforcement learning // Precision Engineering journal. 2022. V. 73, P. 477-487. DOI:10.1016/J.PRECISIONENG.2021.09.017
  10. Касимов Д.Р., Чернова А.А., Королева М.Р. Автоматическая идентификация и описание поверхностей на 2D чертежах // Автоматизация в промышленности. 2024. № 1. С. 55-58. DOI: 10.25728/avtprom.2024.01.14 
  11. Babic B., Nesic N., Miljkovic Z. A review of automated feature recogition with rule-based pattern recognition // Computers Industry. 2008. No. 59 (4). P. 321–337. DOI: 10.1016/j.compind.2007.09.001
  12. Mazin Al-wswasi, Atanas Ivanov, Harris Makatsoris. A survey on smart automated computer-aided process planning (ACAPP) techniques // The International Journal of Advanced Manufacturing Technology. 2018. V. 97 (1), P. 809-832. DOI: 10.1007/s00170-018-1966-1
  13. Sakurai H., Dave P. Volume decomposition and feature recognition. Part II: Curved objects // Computer-Aided Desing. 1996. V. 28, P. 519–537.
  14. Ning F., Shi Y., Cai M., Xu W., Zhang X. Manufacturing cost estimation based on the machining process and deep-learning method // Journal of Manufacturing Systems. 2020. V. 56, P. 11–22. URL: https://doi.org/10.1016/j.jmsy.2020.04.011
  15. Хомяков О.О., Панищев В.С., Титов В.С., Ватутин Э.И. Математическая модель и параллельный алгоритм обработки изображений, содержащих символьную информацию // Труды МАИ. 2024. № 137. URL: https://trudymai.ru/published.php?ID=181884
  16. Малыгин И.В., Бельков С.А., Тарасов А.Д., Усвяцов М.Р. Применение методов машинного обучения для классификации радиосигналов // Труды МАИ. 2017. № 96. URL: https://trudymai.ru/published.php?ID=85797
  17. Гусев П.Ю., Таволжанский А.В., Поцебнева И.В. Моделирование выбора характеристик временных рядов для методов машинного обучения на основе корреляционной матрицы // Труды МАИ. 2024. № 138. URL: https://trudymai.ru/published.php?ID=182676
  18. Terven J., Cordova-Esparza D.-M., Romero-González J.-A. A Comprehensive Review of YOLO Architectures in Computer Vision: From YOLOv1 to YOLOv8 and YOLO-NAS // Machine Learning and Knowledge Extraction. 2023. No. 5 (4). P. 1680-1716. DOI: 10.3390/make5040083
  19. Ren Sh., He K., Girshick R., Sun J. Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2015. No. 39 (6). P. 1137-1149. DOI: 10.1109/TPAMI.2016.2577031
  20. Hosang J.H., Benenson R., Schiele B. Learning Non-maximum Suppression // IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2017. P. 6469-6477. URL: https://doi.org/10.48550/arXiv.1705.02950


Скачать статью

mai.ru — информационный портал Московского авиационного института

© МАИ, 2000—2025

 Вход